กรณีทางธุรกิจโดยใช้ lift curve
จากวิดีโอ คุณได้เรียนรู้วิธีสร้างฟังก์ชันที่คำนวณกำไรของแคมเปญ:
profit = profit(perc_targets, perc_selected, population_size, campaign_cost, campaign_reward)
ในฟังก์ชันนี้ perc_targets คือสัดส่วนของเป้าหมายในกลุ่มที่เลือกสำหรับแคมเปญ, perc_selected คือสัดส่วนของบุคคลที่ถูกเลือก, population_size คือขนาดของประชากรทั้งหมด, campaign_cost คือต้นทุนในการติดต่อบุคคลหนึ่งคน และ campaign_reward คือผลตอบแทนจากการติดต่อเป้าหมาย
ในแบบฝึกหัดนี้ คุณจะเรียนรู้ว่าการใช้โมเดลในกรณีเฉพาะเจาะจงนั้นมีประโยชน์หรือไม่ โดยเปรียบเทียบกำไรที่ได้จากการติดต่อผู้บริจาคทั้งหมด กับการติดต่อเฉพาะ 40% บนสุด
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การวิเคราะห์เชิงพยากรณ์เบื้องต้นด้วย Python
คำแนะนำการฝึกหัด
- พล็อต lift curve โดยค่าพยากรณ์อยู่ใน
predictions_testและค่าเป้าหมายจริงอยู่ในtargets_test - อ่านค่า lift ที่ 40% แล้วกรอกลงในโค้ด
- ข้อมูลเกี่ยวกับแคมเปญได้กรอกไว้ในสคริปต์แล้ว จากนั้นคำนวณกำไรที่ได้จากการติดต่อประชากรทั้งหมด
- คำนวณกำไรที่ได้จากการติดต่อกลุ่ม 40% บนสุด
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Plot the lift graph
skplt.metrics.plot_lift_curve(____, ____)
plt.show()
# Read the lift at 40% (round it up to the upper tenth)
perc_selected = 0.4
lift = ____
# Information about the campaign
population_size, target_incidence, campaign_cost, campaign_reward = 100000, 0.01, 1, 100
# Profit if all donors are targeted
profit_all = profit(____, 1, population_size, campaign_cost, campaign_reward)
print(profit_all)
# Profit if top 40% of donors are targeted
profit_40 = profit(____ * ____, 0.4, population_size, campaign_cost, campaign_reward)
print(profit_40)